作者：刘伟，北京航空航天算夜学工学博士，北京邮电大学岗位教授，剑桥大学访问学者，科技委人机领悟智能组首席科学家。

上周在《“人工智能”从何处来？| 追问人工智能》一文中为大家梳理了人工智能的起源及其在未来可能的发展方向，人工智能从酝酿伊始几经起落，如今再次进入到一个发达发展的阶段，对此很多人都有着这样的疑问：所谓的强人工智能是否能够达到？由于在较为通用的智能方面，其生产出的人工智能产品每每缺少“温度”，还远远谈不上人们想要达到的程度，那么人工智能详细的发展瓶颈在哪里呢？

本文从动机性、知识和决策这三个角度出发，剖析现阶段机器智能与人智能之间的差异，并指出机器存在“展示动机的形成机制难以实现”、“形成知识的方法本钱过高”、“智能决策模式尚未成熟”等诸多问题，强调人们需在人工智能发展高潮的期间保持当心，主动办理行业发展的瓶颈，从而实现领域的平稳高效发展。

毫无疑问，目前人工智能正处于发达发展阶段，但是也要镇静地看到，人工智能的发展仍旧存在一些问题，研究精力过多地集中在某些领域将会在一定程度上忽略其他领域。

在一些领域，人工智能的水平已经靠近乃至超过了人类，而在其他的很多方面，人工智能与人类智能比较依旧相距甚远。
同时，人工智能的运用已经给从社会到家庭，从事情到生活，从军事到医疗平分歧范畴、多个领域都带来了明显的乃至革命性的变革。
一方面，人工智能的发展是一个技能性问题，当前仍旧存在很多毛病，须要从技能上加以办理；另一方面，犹如其他革命性的技能一样，人工智能的发展绝不仅仅是一个技能问题，它是一把双刃剑，既可以带来机遇，也能带来寻衅，它在给人类带来不同改变的同时，也影响着人们对它的意见，影响着其未来。

纵不雅观全体人工智能发展史可以创造，总是在人工智能的发展趋向取得大的打破时，冬天溘然来临，而且每次来临的缘故原由大同小异，均为现有的技能水平达不到人们的生理预期以及商业须要，以是不得不搁置，这也为正处于繁荣发展阶段的我们敲响了警钟，不能仅仅管中窥豹，从业者要有前瞻的目光，主动办理目前行业存在的瓶颈，这样才能使人工智能领域尽可能地平稳高效地发展。

相信很多人都有着这样的疑问：究竟我们能不能达到所谓的强人工智能？由于单从目前的智能程度来说，在较为通用的智能方面，人工智能还远远谈不上人们想要达到的程度。
“阿尔法狗”的出身，曾经令很多人面前一亮，但现在仔细看来，“阿尔法狗”只能在围棋领域有所建树，不能超过到其他情景之中。
搜狗公司首席实行官王小川也曾说过，现在的人工智能还存在很多弱点，纵然在 3 个月后，“阿尔法狗”也赢不下当初输掉的那场比赛。

那么，详细的瓶颈究竟在什么地方呢？

首先是动机性。
在生理学上，动机一样平常被认为涉及行为的发轫、方向、强度和持续性。
动机也是有层次的，不同层级可以相互转换。
马斯洛（ Abraham Maslow）于 1943 年在《人类勉励理论》一文中将社会需求层次与生理需求、安全需求、尊重需求和自我实现需求并列为人类五大需求，人处于不同的需求层次就会有不同的动机层次。
有了动机后，人们的行为就有了指向性，这对付人的日常行为是非常主要的。

那机器究竟能否形成与人类似的动机呢？让机器产生动机的一大难点在于动机是很难被表征的。
目前还没有研究清楚的展示动机的形成机制，表征的必要不充分条件是具有可以被清晰表达的框架，而且动机的转换边界并不清楚。
因此，动机的权重值便无从下手，导致打算陷入僵局。
其余，动机还故意识动机与无意识动机之分。
目前，人工智能界对付意识层面的内容还知之甚少，更不要提进行表征了。

知识

其次是知识。
知识被定义为在一定的文化背景下，人们拥有的相同的履历知识，比较常见的有空间、韶光、文化、物理知识。
知识对付我们的日常生活十分主要，尤其是在我们做出决定与判断的时候尤为如此。
很多知识是潜移默化形成的，是文化与背景学习的产物。
那机器如何形成知识呢？早在 1959 年，约翰· 麦卡锡（JohnMcCarthy）就已经想过让机器拥有知识以变得更加聪明。
目前的人工智能界有两种方法来办理这个问题。

第一种方法为让机器形成学习与不雅观察周围环境的机制，就像一个孩子一样去学习，不过这样韶光本钱比较大，用户能否承担起这些本钱还是未知数。
明斯基曾说：知识是长期实践中总结出来的弘大知识体系，包含大量生活中学到的规则和非常征象、特性及趋势、平衡与制约等。

第二种方法便是建立大型的知识库，并将其存储到电脑中。
个中最为著名的为 CYC 项目，这个项目由道格拉斯· 莱纳特（ Douglas Lenat）于 1984 年提出。
首先通过采访与不雅观察人的数据，然后由知识工程师对这些数据进行处理，以CYCL 的形式整理成数据库。
当然，这个知识库的本钱过于高昂。
目前知识库中比较可行的思路为让互联网上的每个用户共同建立这个知识库，并在特定的网页利用不同的措辞来进行编写，这样就能节省很多韶光与金钱，最为成熟的为 OMCS（ Open Mind CommonSense）。

决策

末了是决策。
无论是人类的日常生活还是人工智能，最为关键的一步便是决策。
如何让机器更加智能地进行决策，这是一个关乎未来人工智能走向的问题。
人类的决策机制紧张分为三大部分：理性决策、描述性决策与自然决策。

理性决策即认为人在决策时遵照着理性代价最大化的原则，比较具有代表性的有冯· 诺伊曼提出的最大期望效用理论，伦纳德· 萨维奇（ Leonard Savage）提出的主不雅观期望效用理论等。

描述性决策认为人在进行决策时不完备遵照理性准则，个中丹尼尔· 卡尼曼（ Daniel Kahneman）与阿莫斯· 特沃斯基（ AmosTversky）提出的前景理论是个中的代表。
该理论认为，决策者依据代价函数、权重函数授予选项不同的效用值，终极选取最大期望效用值做出决策。
人也存在着启示式偏差，这会对决策产生影响。

自然决策专门研究人们如何在自然环境或仿真环境下实际进行决策，个中最著名的要属加里·克莱因（ Gary Klein）提出的再认—启动模型（ RP D），该模型认为人在决策时会依据以前的模式进行匹配。
对付机器而言，进行智能决策可以借鉴人的决策习气，可以将几种思维办法进行结合，并确认出一套判断机制，以便在特定情景下对决策行为进行决议。
例如，机器可以区分出韶光与情景的压力，并建立起相对应的匹配机制，如当情景压力小时选择理性决策模式，而当时间压力大时选择自然决策模式等。

以是，目前人工智能界对知识、动机与决策问题中的难点办理办法看起来还不是很多，但这确是目前机器智能与人智能之间差异最为显著的地方，也是目前全体行业的瓶颈所在。
如何让下一代人工智能产品更有“温度”，须要先在这几个问题上有所打破。

本文编辑、改写自刘伟《追问人工智能：从剑桥到北京》一书的部分章节，学术谈论请以原书为准。
配图源于网络，如有侵权还请联系删除。